Récemment, JMP s'est associé à la Royal Society of Chemistry et à Chemistry World pour organiser une série de séminaires d'une semaine sur la conception expérimentale.
La série était apparemment censée s'adresser à l'est et à l'ouest des États-Unis, mais, comme le montre la carte des participants ci-dessous, eh bien, les choses sont devenues un peu incontrôlables sur ce point.
La série de séminaires comprenait un panel de JMP des experts qui répondraient aux questions posées par le public. Avec entre 600 et 900 participants à chaque session, il était difficile de répondre à toutes les questions au cours de l'événement. Et il y en avait beaucoup – de l’ordre de 400 questions lors de la session en direct, et encore plus dans l’environnement hors ligne.
Une fois l'équipe rétablie (et le liniment commun ayant fait sa magie), nous nous sommes retrouvés et avons parcouru les questions tendances à mettre dans les FAQ de la série sur le web. À la manière de JMP, nous avons posé ces questions via Text Explorer et avons retenu les cinq premières. Les voici, accompagnés de nos réponses :
Question 1 : A quoi servent les points centraux ? Quand devons-nous les utiliser ? Combien avons-nous besoin?
OK, nous devrions probablement d'abord clarifier ceci : un point central est un traitement expérimental qui existe au centre de l'espace de conception. Si vous disposez d'un espace de conception à trois facteurs, vous pouvez le mapper sur un tracé 3D, et il ressemblera généralement à un cube. Le point central se situerait au centre du cube, à égale distance de toutes les arêtes, faces et sommets.
L'objectif principal d'un point central est de nous alerter de la courbure (ou du comportement curviligne, si vous voulez le mot à 5 $) dans l'ensemble de données. Quelques points centraux ensemble peuvent également être utilisés comme substitut à la réplication. Cela dit, vous ne devriez vraiment pas vous demander quand les utiliser. Si vous vous concentrez sur le DOE centré sur le modèle (conceptions optimales) et d'autres stratégies DOE modernes telles que les conceptions de dépistage définitif (DSD), les points centraux sont automatiquement inclus lorsqu'ils sont nécessaires. Il vous suffit d'inclure les termes du modèle qui nécessitent l'étude des points centraux, et les algorithmes s'occupent du reste. Si vous souhaitez ajouter plus de points centraux pour étudier la variabilité (et que vous avez déjà mis de côté du matériel pour un ensemble de validation !), vous pouvez les ajouter assez facilement. Il vous suffit de faire une analyse de puissance pour déterminer le bon nombre.
Question 2 : Devons-nous reproduire nos expériences ? Pourquoi? Puis-je utiliser des mesures répétées comme répétitions ?
La réponse à cette question dépend beaucoup du type d’expérience que vous faites. Si vous êtes plutôt du côté du « sélection », la réplication est moins importante car vous recherchez des tendances brutes et moins de variabilité. Toi pourrait ajoutez quelques points centraux pour avoir une idée de la variation et effectuez un dépistage de courbure si vous ne faites pas de DSD. Mais c'est à peu près tout. Si vous créez ou affinez un modèle, vous devriez probablement effectuer des répliques si vous en avez les ressources et le temps.
Sur les mesures répétées (par exemple, exécuter les mêmes paramètres de facteurs plusieurs fois l'une après l'autre ou obtenir plusieurs mesures sur le résultat d'une exécution des paramètres de facteurs), ces ne sont pas exécutions répliquées. C'est un peu déroutant parce que réplique et répète ou mesures répétées on dirait qu'ils devraient être la même chose, mais il y a une différence importante dans ce cas.
UN répliqué run (au sens du DOE) est une répétition aléatoire de l’expérience. Supposons que vous deviez prendre un tableau DOE et le mettre dans une feuille de calcul. Alors si vous deviez mettre un deuxième copie du DOE complet en dessous sur la même feuille de calcul, ce ne serait toujours pas un DOE répliqué... pour le moment. Maintenant, si vous deviez ensuite randomiser l'ordre des lignes des deux copies du DOE, ce serait un DOE avec des répliques.
Si vous faites répété mesures, vous pouvez prendre leur moyenne, puis utiliser la moyenne comme valeur pour cette combinaison de traitements, mais elles ne sont pas les mêmes que répliqué court. Le point important est que réplication comprend randomisation et peut donc diluer les effets des variables cachées. Mesures répétées je n'ai pas cette propriété.
Question 3 : Combien de réponses puis-je avoir dans mon DOE ? Comment puis-je travailler avec eux ?
Ajouter facteurs vers un DOE augmente le coût, en termes d'exécutions requises ; réponses sont essentiellement gratuits. Vous pouvez mesurer un nombre illimité de variables de réponse pour comprendre comment les changements de facteurs influencent toutes les réponses. Lorsqu'ils recherchent des paramètres de processus optimaux à l'aide du JMP Prediction Profiler, les utilisateurs peuvent choisir un système de pondération qui reflète l'importance relative des différentes réponses.
Bien qu'il n'y ait aucune limite théorique au nombre de réponses que vous avez dans un DOE, il est à votre avantage de définir toutes vos réponses lors de la configuration du DOE. JMP les transmettra automatiquement à la plateforme de modélisation après la collecte des données avec toutes les informations que vous fournissez (limites de désirabilité supérieure/inférieure, valeurs LOD, cibles et importances). Cela permet également de vous assurer que vous avez réfléchi à la manière dont vous allez évaluer le succès de votre DOE et de garantir que toutes vos réponses peuvent détecter des différences aux niveaux que vous planifiez pour vos facteurs.
Question 4 : Comment savoir si vos plages de facteurs sont appropriées ?
Une règle générale est que si, en fonction de vos paramètres de facteurs, vous vous attendez à ce que certaines de vos analyses donnent des résultats indésirables (c'est-à-dire qu'elles finissent à la poubelle), vous avez probablement raison. Mais vous ne voulez pas que vos fourchettes soient si larges que vous vous retrouviez sans résultat mesurable.
Ceci pourrait être exprimé autrement par ce conseil : B soyez audacieux dans la définition de vos plages de facteurs . Réglez vos plus bas faible , et tes sommets haut . La tentation est grande de ne regarder que les plages qui vous mettent à l’aise, car vous pensez que l’optimum y est atteint. Évitez cette tentation. Les résultats du modèle seront plus clairs et les estimations seront plus précises lorsque les plages de facteurs seront plus grandes.
Si vous craignez que votre processus ne parvienne pas à produire des données utilisables dans certaines régions de l'espace de conception en raison des plages étendues, ce problème peut souvent être résolu en définissant des contraintes factorielles qui interdisent l'affectation d'exécutions à ces zones.N'oubliez pas que vous avez la possibilité d'utiliser cette stratégie avec des conceptions optimales.
Parfois, les expérimentateurs craignent qu'en définissant des plages de facteurs trop larges, ils risquent de manquer un réglage optimal se situant au milieu de la plage, en raison d'une relation courbe entre un facteur et une réponse. Dans une conception personnalisée, ce problème doit être résolu en ajoutant des termes polynomiaux au modèle souhaité, ce qui entraînera la conception générée à inclure des exécutions définies à des valeurs de facteur intermédiaires entre les points finaux.
Plus généralement, vous souhaitez que vos expériences couvrent une plage suffisamment large pour voir clairement les différences dans vos paramètres. Vous souhaitez également que vos paramètres soient suffisamment éloignés les uns des autres pour que vous puissiez voir tous les points d'inflexion dans vos lignes courbes, vous permettant ainsi de savoir où se trouvent les « bons » et les « mauvais ». Sinon, lorsque vous optimisez, le résultat sera à la valeur extrêmement élevée ou faible dans votre espace de conception. Et vous ne saurez pas si vous êtes à proximité d’un endroit où votre système devient incontrôlable.
Question 5 : Quelle est la différence entre le design classique et le design moderne ?
Les conceptions classiques sont des plans fixes que l'expérimentateur doit suivre, adaptant l'étude prévue à ses exigences et contraintes. Ces conceptions ont été développées avant l’ère de l’informatique omniprésente et bon marché. Les conceptions modernes utilisent des algorithmes logiciels pour générer un plan unique adapté à la situation actuelle. Les conceptions modernes tentent de donner la meilleure réponse possible aux questions statistiques posées par l'expérimentateur, tout en respectant le budget expérimental spécifié.
Le design moderne est le prolongement naturel du design classique. En exécutant des DOE modernes, vous ne perdez rien de ce dont vous vous souvenez de la conception classique, mais vous gagnez une grande flexibilité. Fondamentalement, les designs modernes sont centré sur le modèle en ce sens qu'ils font correspondre la conception à un modèle composé de termes définis par l'utilisateur. En tant qu'utilisateur, vous décidez de ce que vous souhaitez apprendre dans l'expérience en sélectionnant le modèle. Les designs classiques sont centré sur le design en ce sens qu'ils définissent la conception et que l'utilisateur est censé adapter ses questions à cette conception prédéfinie. Dans de nombreux cas, les approches modernes et classiques conduiront à la même conception, car les conceptions classiques sont optimales pour s'adapter aux modèles standard. Les conceptions modernes vous permettent de trouver la conception optimale dans des situations où les approches classiques ne fonctionneraient pas, comme lorsque vous disposez d'un espace factoriel de forme irrégulière que vous devez explorer.
L'aventure continue
Et c'est tout. En examinant les résultats, il était intéressant de voir à quelle fréquence ces questions revenaient. Cela m'a rappelé quelque chose que beaucoup de mes professeurs disaient : « Posez la question, car il est très probable que d'autres l'ont aussi mais sont trop timides pour la poser. »
Quoi qu'il en soit, tu penses qu'on en a raté un ? Avez-vous d'autres questions brûlantes à propos du DOE ? Allez-y, mettez-les dans les commentaires, et nous verrons ce que nous pouvons faire pour y répondre. En attendant, bonne expérimentation !
